学位论文 > 优秀研究生学位论文题录展示
图像识别中的弱分类器自适应集成增强方法研究
作 者: 冯学慧
导 师: 颜云辉
学 校: 东北大学
专 业: 机械设计及理论
关键词: 带钢缺陷 分类器 缺陷分类 模式识别 集成学习
分类号: TP391.41
类 型: 硕士论文
年 份: 2010年
下 载: 26次
引 用: 0次
阅 读: 论文下载
内容摘要
板带钢是钢铁工业的主要产品之一,随着市场需求的变化,高品质板带钢的生产能力是各大钢铁企业在国际市场中竞争扭力大小的重要体现之一。所以对板带材表面缺陷图像的识别与分类进行研究具有重要理论及经济价值。本文针对现有板带钢表面缺陷检测系统中分类识别方法所存在各种问题,如分类算法的复杂度与分类精度之间的矛盾,传统神经网络、支持向量机等方法有各自弊端的存在,以及在分类方法上难有新突破等,提出了图像识别中的弱分类器自适应集成增强的分类方法。本方法的基本原理就是提取若干简单特征组成若干个弱分类器,再由若干个弱分类器以自适应集成增强的方法组成一个强分类器。其实现过程就是一种样本权重的迭代更新的过程,通过每一次迭代过程,每个样本的权重值表示该样本被错分的情况,被错分样本的权重会变大,在下一轮循环中算法就会更加关注上一轮被分错的样本。自适应地改变训练样本权值的分布,使得基分类器聚焦在那些很难区分的样本上,所以能够降低分类误差,大大提高了特征的分类有效性。本文分类方法的优点是只要找到一个比随机猜测略好的弱学习算法,就可以将其提升成强学习算法,而不必像传统分类方法那样直接去找通常情况下很难获得的强学习算法,并且更好的解决了算法复杂度与分类精度之间的矛盾问题。采用本文提出的方法对从本实验室采集的边缘锯齿、划伤、分层、夹杂、焊缝及抬头纹六大类缺陷样本进行了分类识别研究。实验表明弱分类器自适应集成增强方法在带钢表面缺陷图像的分类识别中应用是可行的,对100张缺陷图像的总体识别率达到94%,并可通过对识别模型的调整,进一步提高对板带材表面缺陷图像的识别率。
|
全文目录
摘要 5-6 Abstract 6-11 第1章 绪论 11-19 1.1 研究背景 11 1.2 国内外研究概况及发展趋势 11-16 1.2.1 硬件应用方面 12-14 1.2.2 识别方法研究 14-16 1.3 技术难点及发展趋势 16-18 1.3.1 问题与难点 16-17 1.3.2 发展趋势 17-18 1.4 研究目的、意义和内容 18-19 第2章 图像识别系统 19-35 2.1 引言 19 2.2 系统构成框架 19-22 2.2.1 基本原理 19-21 2.2.2 基本构成 21-22 2.3 分类器设计模块 22-29 2.3.1 映射关系 22-26 2.3.2 特征空间 26-28 2.3.3 分类器选取准则 28-29 2.4 机器学习模块 29-34 2.4.1 机器学习理论 30 2.4.2 学习过程与结构框架 30-31 2.4.3 机器学习方法探究 31-34 2.5 小结 34-35 第3章 多弱分类器集成系统设计 35-47 3.1 引言 35 3.2 集成系统构架 35-37 3.2.1 多分类器集成方法描述 35 3.2.2 集成框架设计 35-36 3.2.3 决策的融合规则设计 36-37 3.3 特征选择与提取 37-44 3.3.1 矩形特征分析 37-39 3.3.2 矩形特征描述 39 3.3.3 检测器内特征总数计算 39-41 3.3.4 构建积分图 41-44 3.4 小结 44-47 第4章 自适应增强方法设计 47-59 4.1 引言 47 4.2 算法描述 47-49 4.2.1 弱分类器的生成策略 47-48 4.2.2 分类器的动态行选取技术 48 4.2.3 差异度测度分析 48-49 4.3 弱分类器权重的自适应设计 49-51 4.3.1 弱分类器权重的动态度量 49-50 4.3.2 阈值和偏置 50-51 4.4 多分类器动态输出方法 51-58 4.4.1 算法流程 51-53 4.4.2 分类器的训练 53-55 4.4.3 收敛性分析 55-57 4.4.4 泛化能力分析 57-58 4.5 小结 58-59 第5章 实验设计与结果分析 59-79 5.1 引言 59 5.2 实验平台搭建 59-64 5.2.1 板带钢的运动系统 59-63 5.2.2 实验光源 63 5.2.3 实验相机 63-64 5.2.4 系统布局 64 5.3 软件系统编制 64-67 5.3.1 开发环境 64-65 5.3.2 软件系统介绍 65-67 5.4 实验过程及结果 67-74 5.4.1 训练样本与测试样本的选择 67-69 5.4.2 缺陷图像的检测实验 69-72 5.4.3 实验结果 72-74 5.5 实验分析 74-79 5.5.1 结果分析 74-75 5.5.2 缺陷产生原因分析 75-76 5.5.3 相关识别方法比较 76-79 第6章 结论 79-81 参考文献 81-87 致谢 87
|
相似论文
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 统计与语言学相结合的词对齐及相关融合策略研究,TP391.2
- 基于仿生模式识别的文本分类技术研究,TP391.1
- 羊绒与羊毛纤维鉴别系统的研究,TS101.921
- 基于回波包络的超声波入侵探测在军队警戒巡逻中的应用,E919
- 基于支持向量机的故障诊断研究,TH165.3
- 声表面波气体传感器阵列模式识别技术的研究,TP212
- 基于改进的SVM模型的肝癌识别方法的研究与实现,TP391.41
- 人脸分形特征提取与识别算法研究,TP391.41
- 基于AdaBoost算法的人脸检测方法研究,TP391.41
- 空间信息处理中基于模糊技术的数学模型的改进,O159
- 基于多视角的分类器设计与权值优化方法研究,TP18
- 基于SIFT特征和SVM的场景分类,TP391.41
- 最近邻分类的若干改进算法研究,TP391.4
- 玫瑰无须鲃卵黄脂磷蛋白是具有调理素功能的免疫识别因子,S917.4
- 用于车牌定位的分类器设计与相关算法研究,TP391.41
- 心电特征提取及分类方法研究,TN911.7
- 贝叶斯分类器在汽车发动机喷射故障诊断中的应用研究,U472
- 基于局部特征的结构模型学习及其在目标检测与定位中的应用,TP391.41
- 基于粒子群优化算法的支持向量机集成学习方法研究,TP181
- 基于流形学习的高维流场数据分类研究,V231.3
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|